Data in HR Management：商科社科人文科数据分析求职新方向–人力资源管理
很多小伙伴想要求职数据类岗位，又苦于技术背景不强，没有太多编程经验。殊不知很多分析类岗位对文商科同学很友好，且根据岗位所处的行业不同，文商科背景的同学自身经验反而会成为求职的加分项。今天我们就来看看在人力资源管理行业，有哪些数据类求职机会！如果你想了解更多求职相关内容，可以阅读以下这些文章：
4个电商常用Customer Segmentation的方法
Market Basket Analysis：把握电商求职核心的购物篮分析是什么？
数据求职常出现的RFM是什么？如何影响电商行业营销策略？
听电商大佬跟你聊聊E-Commerce的数据人生
本期分享的主要知识：
- 劳动力管理系统是什么
- 如何通过数据分析找出A级人才
- 如何高度展现自己的专长
- 如何在数据方面努力向该岗位职能靠拢
1. IBM首席执行官弗吉尼亚 罗曼提（Virginia Rometty）在纽约举办的CNBC“劳动人才+HR”峰会上表示，IBM Warson可以AI预测离职趋势，且可以达到95%的准确率。
如果要预测员工是否要离职，有足够的大数据，做一个类似于机器学习的算法，对于Warson这样的系统来说不是难事。而预测准确率则取决于数据的类型，大小，数据的领域以及数据的准确率。
Warson是一个十分强大的软件，特别是把人工智能放在云端，以及Warson以前在疾病诊断方面都获得了很大的成功。因此，Warson在数据足够的情况下在人力资源方面做出这样的预测是在情理之中。Warson这种模型也称为availability model, 因为HR十分在乎且需要知道面试者的availability。
如果面试者是应届毕业生，一般来说他们找工作的几率较高。反之，对于在职人员，根据他们的过往信息以及工作频率，也可以算出这些人员是否经常跳槽，工作效率是否高。这对于HR来说十分重要，可以大大节省人力资源及支出，从而提升整体效率。
数据是有自己的分布的，在做一个公司或一类公司的模型的时候，如果数据量够大的话，可以专注于做这一个公司或者这一类公司的离职预测，这样准确率也会较高。例如，硅谷的数据公司和教育公司有不同的数据分布，如果只做了一个通用的模型来同时为这两种公司所适用，那么这个模型的通用率就十分低，且不准确。为了有效的提高模型的准确度，可以做一个通用模型并做微调，这样准确率就会高很多。
2. AI和数据科学在人力资源方面有哪些应用？
Warson在HR有几方面的应用十分吸引人。
- 1. 关于猎头行业。目前猎头行业需要面对的简历过多，人工筛选费时费力且效率较低。Warson人工智能系统通过自然语言与机器学习的技术，可以产生一个评估面试者简历与工作描述之间的匹配度的功能，大大的提高HR的效率。
- 2. 很多公司做放在云端的software service，服务于HR的系统。
- 3.大公司的人力部门，在人力调配资源管理方面也用数据科学的方法——基于合同的预估，准确的预估对于整个企业的优化操作包括预算都有很大的帮助。数据分析也可以更准确且更全面对员工表现进行分析。
越来越多的公司要求从事HR工作的学生具备最基本的分析能力，比如利用Excel做分析或基于统计的分析能力，这一类技能也是将来从事HR工作的一个新趋势。每年的新毕业学生的数量是有限的，这些人是属于积极寻找工作的求职者。但是同时，对于公司内部的senior-level岗位的空缺，则需要其余一些具有丰富工作经验的人来填充，这些人通常属于不积极寻找工作的、但可能会为公司带来巨大利益的人群。
大公司包括简历以及工作介绍的资源十分庞大，会选择通过：
- 推荐系统
- NLP自然语言处理来使用这些资源去满足新的工作岗位的需求。推荐系统分析这些人涉及到了自然语言处理，HR文件大部分文件为文字。自然语言处理从这些没有固定结构的信息中做一个信息的提取，从而利用这些信息，整合成一个全面的信息，然后根据这些信息来匹配相对应的工作。从大方面来说，这就是AI在人力方面的主要运用。
3. Machine learning engineer是一个什么样的工作？
机器学习工程师更注重应用，在模型方面要求更强。怎么把已有的经典学习算法，更加高级的学习算法甚至强化学习的算法应用到实际场景中，需要很强的工程背景。机器学习工程师更加注重如何优化一个系统。
以推荐系统为例，机器学习工程师在这里的工作将不只是分析这么一个应用，同时还需要知道怎么样把机器学习的排名和分析系统适用到整个推荐系统。当在前端推荐物品时，整个系统的速率以及模型有很高的要求。机器学习工程师最根本的还是统计，机器学习，以及深度算法的好的了解，对编程要求也较强。
机器学习工程师是一个十分重要的岗位，更加专注于算法本身，不只是需要调用一个两个Python包拿出数据，更多的是需要做算法本身的改变以及优化。
同时还需要有针对系统本身的能力，从数据管道到实时处理，最后到数据推荐引擎，都是机器学习工程师需要掌握的很重要的能力。还有就是产品实践能力，大部分时候产品需要放到产品生产线上去，这时，产品考量时不能只考虑算法是否工作，还要考量算法的速度，表现，以及面对大数据稳定性。以上就是本文的全部内容，希望能帮助你对于人力资源的大数据应用有所了解。你还可以订阅我们的YouTube频道，观看大量数据科学相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/
Recap 作者：Peter Mei
美工编辑：过儿
校对审稿：冬冬
公开课回放链接：https://www.youtube.com/watch?v=ZQfXj15XMMY&list=PL39P3XK_jveHE89PgwwvVPAGAj2cuxRrT&index=130&ab_channel=DataApplicationLab
